支持向量機在復(fù)雜設(shè)備故障診斷中的應(yīng)用.pdf

1、隨著現(xiàn)代化生產(chǎn)設(shè)備復(fù)雜程度的不斷提高，其技術(shù)保障的難度也越來越大，而設(shè)備的故障診斷則是其最具挑戰(zhàn)性的任務(wù)。本文主要開展了支持向量機(SVM)在復(fù)雜設(shè)備故障診斷方面的應(yīng)用研究，所做的主要工作如下： (1)進行了故障診斷軟件的輸入特征向量提取。指出小波包分析是對小波變換的一種改進，它能夠為信號提供一種更加精細(xì)的分析方法。它可以將小波變換中沒有細(xì)分的高頻部分作進一步分解，從而提高信號通頻帶的頻率分辨率。論述了Karhunen-Loev

2、e變換，通過消除原始特征向量中各分量的相關(guān)性，去除那些帶有較少信息的坐標(biāo)軸來降低特征空間的維數(shù)，從而有效地實現(xiàn)信息壓縮。通過特征向量提取，為以后的故障診斷提供了故障樣本數(shù)據(jù)。 (2)建立了基于最小二乘支持向量模型的故障診斷系統(tǒng)模型。SVM通過結(jié)構(gòu)風(fēng)險最小化原理來提高泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部極小等實際問題。本文采用的LSSVM則對SVM進行了改進，用二次損失函數(shù)取代SVM中的不敏感損失函數(shù)，將不等式約束條

3、件變?yōu)榈仁郊s束，將二次規(guī)劃問題轉(zhuǎn)變?yōu)榫€性方程組的求解，用最小二乘法實現(xiàn)了SVM算法，簡化了計算的復(fù)雜性，顯示了LSSVM較強的診斷魯棒性。 (3)提出了一種基于改進最小二乘支持向量機的故障診斷模型并進行了相關(guān)程序開發(fā)。在使用LSSVM診斷模型時，通過對斐波那契對稱搜索算法進行簡化和改進，對RBF核函數(shù)的標(biāo)準(zhǔn)化參數(shù)進行動態(tài)選取，程序運行結(jié)果表明該模型進一步提高了診斷的正確率。研究了核參數(shù)搜索區(qū)間及其最佳縮短步長的變化規(guī)律，通過綜合